shell爬虫工具

一.工具

1.wget

2.curl

3.sed

4.awk

5.lynx

6.grep

二.方法

1.lynx -dump URL #获取文本页面

2.grep关键字

3.sed/awk + 正则表达式  取得连接

4.curl取得页面所有信息(分析连接有效性，设置cookie信息)

5.wget下载资源

三.例子，获取gmail未读邮件

#!/bin/bash

username="@gmail.com"
password=""

curl -u $username:$password --silent "https://mail.google.com/mail/feed/atom" | \
tr -d '\n' | sed 's:</entry>:\n:g'  | \
sed 's/.*<title>\(.*\)<\/title>.*<author><name>\([^<])*\)<\/name><email>\([^<]*\)/Author: \2 [\3] \n Subject:\1\n/g'